Industrial Data

ISSN: 1560-9146
iifi@unmsm.edu.pe
Universidad Nacional Mayor de San
Marcos
Perú

Reyes Morales, Norman

Modelo de optimización de programación de rutas para una empresa logística peruana
usando herramientas FSMVRPTW
Industrial Data, vol. 19, núm. 2, julio-diciembre, 2016, pp. 118-123
Universidad Nacional Mayor de San Marcos
Lima, Perú

Disponible en: http://www.redalyc.org/articulo.oa?id=81649428015

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 sisTeMas e in o M Tica

Revista
rO
OdelO i Industrial
e general
de aO e in
i ide i nData
eligen
a lidera
de
ia gO
O 19(2):
rOgra
Or
e i rOle 118-123
iaai al
nen
deel
r en
On (2016)
a lO
earaOrOgra
na
er eanO ea lOg
areFO endiO
anei la
a lOra
innO
er ana
OriO
a i nO el e
andO
enre ISSN:
herra
erri dire
ien F i O enrel er(Impreso) / ISSN: 1810-9993 (Electrónico)
a 1560-9146
doi: http://dx.doi.org/10.15381/idata.v19i2.12847 Facultad de Ingeniería Industrial - UNMSM

Modelo de optimización de programación de rutas

para una empresa logística peruana usando
herramientas FSMVRPTW
re i idO a e adO NorMAN reYes MorAles*

RESUMEN
Las actividades de programación de rutas de transporte
de empresas logísticas en el Perú son de especial
relevancia dentro de los servicios que brindan. La
empresa en la actualidad utiliza el ERP SAP Business
One v9.1 como plataforma tecnológica de soporte a sus
operaciones en especial a los procesos de la cadena
de valor. Dentro de estos procesos se tiene el proceso
de delivery el cual se encarga entre otras actividades
de realizar la programación de rutas de transporte para
las entregas de los pedidos de los clientes en todo el
territorio nacional y en especial en Lima Metropolitana;
en esta última que se tiene una alta complejidad para la
atención de los pedidos por las diversas restricciones a
cumplir y por no contar con una herramienta adecuada
dejando dicha actividad a la decisión del programador
de rutas según su experiencia. Con herramientas
como FSMVRPTW (Fleet Size and Mix Vehicle Routing
Problem with Time Windows) se logró encontrar ahorros
signi cativos empleando una base de conocimientos,
herramientas informáticas y de investigación de
operaciones.
Palabras clave: FSMVRPTW, delivery, optimización
routing Programming oPtimization model
for a Peruvian logistiCs ComPany using tools
fsmvrPtw
ABSTRACT
Activities transport routes logistics companies in Peru
are of special relevance in the services they provide.
The company currently uses the SAP Business One ERP
technology platform v9.1 and support their operations
especially the processes of the value chain. Within these
processes is the process of delivery which is responsible
among other activities to perform scheduling transport
routes for deliveries of customer orders throughout the
country and especially in Metropolitan Lima; in the latter
which has a high complexity attention to orders by the
various restrictions to comply and not have a proper tool
such activity leaving the decision Programmer routes
according to their experience. With tools like FSMVRPTW
(Fleet Size and Mix Vehicle Routing Problem with Time
Windows) it was possible to nd signi cant savings using
a knowledge base, tools and operations research
Keywords: FSMVRPTW, delivery; optimization.
1. INTRODUCCIÓN
Una empresa dedicada a los servicios logísticos (Third Party
Logistics (3PL)) tiene los siguientes procesos claves de
negocios: Plan, Source, Make, Delivery y Return establecidos
en The Supply Chain Operations Reference modeling - SCOR
desarrollado por the supply chain council (http://www.supply-
chain.org).
De nición del problema de investigación
En el proceso de Delivery o Distribución se tiene una actividad
importante que es la Programación de Rutas de Transporte, la
cual es bastante compleja y la empresa investigada tiene un
software que utiliza el método de las distancias más cortas
para la asignación de rutas y lo muestra en el plano de Lima
Metropolitana para ubicarlos geográ camente. Los parámetros
de entrada son las rutas necesarias (unidades de transporte
disponible) y las direcciones de los clientes a atender ubicados
en el plano de Lima (nodos); se ejecuta el programa y este agrupa
los puntos de visita (clientes) en grupos por rutas mediante la
asignación de las distancias más cortas. Esta corrida inicial NO
considera el peso y volumen de la carga a transportar, peso y
volumen máximo según la capacidad del vehículo, costo por tipo
de transporte, tiempos de traslados, tiempo de servicio, ventanas
horarias de atención de los clientes y velocidad promedio por
ruta entre otras, que son necesarias para evaluar una adecuada
programación de rutas considerando diversos objetivos como
la minimización del costo jo, la maximización del uso de la
carga contratada y la maximización del número de entregas de
pedidos, siendo esta última, una variable importante en el nivel
de servicio a los clientes.
Objetivo de la investigación
El objetivo de esta investigación es la de incorporar las variables
como peso y volumen de la carga a transportar, el número y
la capacidad medida en peso y volumen máximo que puede
transportar un vehículo, el costo de servicio de transporte por
tipo de vehículo, los tiempos de servicio y las ventanas horarias
que atienden los clientes, la velocidad promedio y otras, así
mismo cumplir con objetivos en con icto como la minimización
del costo jo, la maximización del uso de la carga contratada y
la maximización del número de entregas de órdenes de venta,

* Docente de la Ponti ca Universidad Católica del Perú y la Universidad Antonio Ruiz de

Montoya. E-mail: reyes.ne@pucp.pe; norman.reyes@uarm.pe

118 Ind. data 1 ( ), 01

 sisTeMas e in o M Tica
en un modelo que sea técnica y económicamente
viable para su aplicación a su realidad aunque no
necesariamente incorpore todas las mencionadas
dentro de un escenario de variabilidad de la
demanda con comportamientos aleatorios o
cíclicos. Una de las restricciones de este modelo
es que muchas de estas variables no son estáticas
sino dinámicas como los tiempos de traslado debido
al tránsito de Lima, igualmente las unidades al ser
tercerizadas, tienen restricciones de disponibilidad
según su capacidad por situaciones de mercado.
Teóricamente existen modelos que resuelven
parcialmente este problema y los más conocidos son:
1) El problema del Agente viajero o TSP (Travelling
Salesman Problem) el cual dispone de un
solo vehículo que debe visitar a todos los
clientes en una sola ruta y a costo mínimo.
No suele haber un deposito o almacén (y si
lo hubiera no se distingue de los clientes), no
hay demanda asociada a los clientes y tampoco
hay restricciones de tiempo; la formulación de
la solución a este problema fue realizada por
Dantzig, Fulkerson y Johnson (1954). Este es
un modelo muy sencillo basado en distancias
entre nodos conformando una ruta. El desarrollo
del modelo se realiza con programación lineal
formulada por Dantzig (1951).
2) El VRP (Vehicle Routing Problem) es un problema
de optimización combinatoria y programación
entera, y es una evolución del modelo TSP en
la cual cada cliente, incluido el depósito, tiene
asociada una demanda y cada vehículo tiene
una capacidad de carga limite (se considera que
la ota es homogénea en capacidad). En este
problema la cantidad de rutas no es jada de
antemano como en el TSP y la formulación del
problema es realizada por uno de los algoritmos
más difundidos para el VRP, es el Algoritmo de
Ahorros de Clarke y Wright (1964). Si en una
solución de dos rutas diferentes [(0, i) y (0, j)]
pueden ser combinadas formando una nueva
ruta (0, i, j, 0), el ahorro (en distancia) obtenido
por dicha unión es mayor a la inicial, se agrega a
la solución el nuevo arco (i, j). En este algoritmo
se parte de una solución inicial y se realizan las
uniones que den mayores ahorros siempre que
no violen las restricciones del problema.
3) El FSMVRPTW (Fleet Size and Mix Vehicle
Routing Problem with Time Windows) o Problema
de ruteo de una ota de vehículos heterogéneo
en capacidad y cantidad para atender clientes en
ventanas horarias, es un modelo meta heurístico
de inserción constructiva de programación
nOr an re e
entera que permite determinar al mismo tiempo,
la composición y las rutas asignadas a una ota
de vehículos heterogéneos destinados a servir
a un conjunto dado de clientes dentro de las
ventanas horarias establecidas. El problema del
enrutamiento nos obliga a diseñar un conjunto
de rutas de costo mínimo que originan y
terminan en un depósito central y que atienden
a clientes con demandas conocidas, dentro de
ciertas ventanas de tiempo.
También existen otras metaheuristicas como
FSMVRP (Fleet Size and Mix Vehicle Routing
Problem) aplicadas con diferentes técnicas
como algoritmos genéticos (Brito et.al. 2015),
búsqueda tabú y colonia de hormigas (Olivera
2004) aplicadas a diversos ámbitos y temas de
optimización (Távora 2014).
2. FORMULACIÓN DEL PROBLEMA
El almacén desde donde parten las unidades se
encuentran en el distrito de Lurín, al sur de Lima;
las posiciones de clientes se han considerado en
Latitud y Longitud conformando los nodos. En el
modelo se denominan Clientes y se denotan N = {0,
1, .., n} donde 0 es el depósito y se con gura el arco
A = {(i, j): i, j ɛ N}. Para cada arco (i, j) ɛ A, denotamos
a Dij a la distancia recorrida por el arco desde i a
j; para cada cliente se determina una demanda
en toneladas qi (el depósito tiene demanda = 0)
un tiempo de servicio Si para cargar y descargar
la demanda qi y la ventana [ai , bi ], una solución
factible del servicio es que el vehículo arribe en el
momento t ɛ [ai , bi ], o que llegue en el instante
t < ai y que espere en ai – t unidades de tiempo
antes de iniciar el servicio. Para esta investigación
se asume que todas las ventanas horarias inician a
las 8 hrs y terminan a las 18 hrs.
Los vehículos están compuesto por H tipos
diferentes de vehículos. Cada tipo de vehículo
h (h=1, ..,H) tiene una capacidad Qh y un Costo
Fijo Fh y se asume como una capacidad in nita de
atención. El costo jo de los vehículos depende del
tipo, capacidad y recorridos a precios de mercado.
La velocidad de recorrido, los tiempos de carga y
descarga, los tiempos de servicio son constantes.
Se tienen las siguientes reglas:
1. Cada ruta, inicia y termina en el depósito.
2. Cada ruta es asignada a un vehículo.
3. La demanda total de los clientes de cada ruta
no debe exceder a la capacidad del vehículo
asignado a dicha ruta.
Ind. data 1 ( ), 01 119
 sisTeMas e in o M Tica

OdelO de O i i a i n de rOgra a i n de r a ara na e re a lOg i a er ana andO herra ien a F r

4. Cada cliente es visitado por única vez y el

servicio se inicia dentro de su ventana horaria.

3. FORMULACIÓN MATEMÁTICA DEL MODELO

FSMVRPTW
La formulación matemática para el modelo
FSMVRPTW es la siguiente:
Se de ne K tipos de vehículos distintos obtenido por
n vehículos del tipo h para cada h ϵ H. Para cada
k ϵ K, tenemos Qk y Fk que representan la capacidad
y el costo del vehículo k respectivamente. La
fórmula es una particularidad de la formulación VRP
y la formulación matemática de FSMVRPTW, se ha
tomado de Dell’Amico et al. Por lo tanto, parte del
problema de rutas se con gura con dos variables:

(i) Variable xkij que toma el valor de 1 si el arco (i, j)

es atendido por el vehículo k;

(ii) Variable yki que toma el valor de 1 si el cliente es

atendido por el vehículo k.

En el orden en que se seleccionan a los vehículos

se introduce una variable binaria zk, que toma el
valor de 1 si el vehículo de k ϵ K es usado o de lo
contrario tomara el valor de 0. Para la administración
del tiempo en las ventanas horarias y la duración de
las rutas se con guran las siguientes variables:

(iii) Variable tki que es el mínimo tiempo en que el

vehículo k puede llegar a cada nodo i ϵ V;

(iv) Variable τi que indica el mínimo instante de

tiempo en que el servicio del cliente puede iniciar;

(v) Variable πk que indica el instante en que el

vehículo k es usado para iniciar la ruta. Observar
que para cada vehículo k, el tiempo de inicio y n de
la ruta coinciden con las variables πk y tk0.
El uso de estas variables y la constante grande y
positiva M (la que puede con gurarse como el maxi
[b +si] + max(i,j) ϵ A dij), el problema de FSMVRPTW
ϵN i
puede ser formulado como:
Min k E K ∑ (Fk zk + tk0 - πk) − i E N∑ si
Con las siguientes restricciones:
La restricción (2) propone que cada cliente debe ser
visitado por un vehículo exclusivamente, además las
restricciones (3) y (4) proponen que si el vehículo
k visita al cliente i, este debe entrar y salir de
dicho nodo. Las inecuaciones (5) del estado de la
capacidad, restringe a cada vehículo utilizado de
k ϵ K, y la inecuación (6) le da requerimiento de
conectividad a cada ruta. Las restricciones (7), (10)
y (11) de nen el instante del tiempo para el servicio
(1) de cada cliente i e impone las restricciones de cada
ventana de tiempo. Por otro lado, la restricción (8)
de ne el instante de tiempo en que el vehículo k ϵ
K inicia esta ruta. Nota, cuando un vehículo k no
es utilizado πk y tk0 no son restricciones, pero (9) el
estado tk0 - πk >= 0, y la función objetivo le asignarán
valores comunes para una solución óptima.

120 Ind. data 1 ( ), 01

 sisTeMas e in
La cantidad de variables y restricciones hacen un
modelo complejo y se tomaron pocos nodos para esta
investigación, sin embargo en la realidad se requieren
50 a 100 nodos lo que necesitaría tener una licencia
de LINGO con un número in nito de variables.
4. DESARROLLO DEL MODELO
Este es un piloto para probar el modelo, en principio
se consideran 7 nodos con el objetivo de probar el
modelo y su desempeño en LINGO 11 (Cornejo
2014). Luego se extenderá a 50 nodos.
A. Datos, guras y tablas
A continuación se describen los datos utilizados.
En la tabla 1, se listan los nodos con las direcciones
de los clientes y los distritos de Lima Metropolitana
a los que pertenecen, las demandas en volumen
(m3) y peso ™ correspondiente a la mercadería a
transportar por cada orden de venta de dicho cliente
(información obligatoria en el ERP SAP Business
One), con las ubicaciones de latitud y longitud
obtenidas de Google Maps (https://www.google.
com.pe/maps) para cada dirección de clientes.
En la Tabla 2 se tienen las distancias calculadas
mediante la fórmula de Haversine1 con los datos
de latitud y longitud de cada nodo para construir la
matriz simétrica de distancias en Km. En la matriz,
la enumeración de los nodos inician en 0 (asignado
Tabla 1. Nodos, direcciones, posiciones y
demandas
Fuente: Elaboración propia
Las latitudes y longitudes se han obtenido de Google Maps en https://
www.google.com.pe/maps
o M Tica
nOr an re e
al almacén) y hasta el 6 que son las direcciones de
los clientes a entregar la mercadería.
En la Tabla 3, se listan los valores de otros
parámetros considerados en la investigación, según
precios de mercado y mediciones de la empresa.
Para el caso de vehículos se consideran Furgones
de Tolva Cerrada a combustible Diesel o GNV,
las capacidades en M3 son referenciales según
los vehículos que se contratan en la empresa, las
tarifas de servicios de transporte son a precios de
mercado e incluyen el costo de chofer, ayudante,
combustible y alquiler del vehículo por viaje
(consideran la partida y el retorno al almacén),
excepto peajes. Un parámetro a considerar pero
no se ha incluido en el modelo, es un objetivo de
capacidad contratada mínima del 80%.
Las ventanas horarias para esta muestra se han
considerado iguales en horario de atención de
o cina desde las 0800 horas hasta las 1800 horas,
y otro parámetro a considerar es la maximización
de las entregas que se han jado en 95% por cada
viaje. Así mismo se han establecido velocidades
promedios constantes a los vehículos por circular
en la metrópoli de Lima.
Tabla 2. Matriz simétrica de las distancias
Fuente: Elaboración propia.
Tabla 3. Otros parámetros
Fuente: Elaboración propia.
Ind. data 1 ( ), 01 121
 sisTeMas e in o M Tica

OdelO de O i i a i n de rOgra a i n de r a ara na e re a lOg i a er ana andO herra ien a F r

Figura 1. Nodos en el mapa de Lima Metropolitana Tabla 4. Resultados comparados

Fuente: Elaboración propia.

5. CONCLUSIONES
1. El tiempo de procesamiento con la variable de
demanda de peso™ en este caso era relevante
y considerando los vehículos disponibles
se estimó una programación de ruta optima
con 1 vehículo de 10 Tm en comparación
con el método actual (semi manual) donde
se asignaron los vehículos de 3 Tm y 6 Tm,
dando un ahorro de S/ 200 por viaje (ver Tabla
Fuente: Elaboración propia. 4). Respecto al método actual, se tuvo una
tasa de utilización del 94% al contratar los
El mapa Lima Metropolitana se ha obtenido de Google Maps en
dos vehículos, siendo ésta variable la que
https://www.google.com.pe/maps
prevaleció en la decisión de asignación del
programador de rutas.
En la Figura 1 se muestran los nodos de la Tabla1, 2. Diariamente en la empresa se generan entre
ubicados en el mapa de Lima Metropolitana con su 6 a 8 programaciones de rutas diferentes por
latitud y longitud. cada cliente y considerando el tiempo de
programación de ruta actual de unos 15 a 30
B. Ejecución del modelo matemático FSMVRPTW minutos frente al propuesto de 0.5 minutos,
Se desarrolló el modelo matemático de se tiene un importante horro en tiempo de
programación lineal entera en el software Lingo 11 actividad. Considerar también que los tiempos
y se corrió en una computadora Core i5 de 6 Mb varían según el número de puntos a reparto
de memoria Ram y 2.67 Ghz. El tiempo de proceso que van de 7 a 50 puntos por corte o corrida lo
fue de 22 segundos y se utilizaron 171 variables que signi ca que a mayor número de puntos,
enteras, 403 restricciones, 300 772 iteraciones, el nuevo método se vuelve más e ciente
dando como resultado: y con able en comparación con el método
actual (semi manual).
Ruta: 1 – 3 – 5 – 6 – 2 – 7 – 4 - 1 con vehículo 3
(10 Tm) para una demanda total de 8.5 Tm con una 3. En la realidad las demandas por cliente
tasa de utilización del 85%. son aleatorias y pueden variar en peso
y volumen, por lo que la restricción de
C. Resultado del modelo semi manual capacidad deben medir ambos parámetros,
El modelo semi manual dio como resultado las también se deben agregar los objetivos
siguientes rutas de maximizar la capacidad contratada de
vehículos en las restricciones. Las ventanas
Ruta 1: 1 – 5 – 6 – 7 – 1 con vehículo 1 (3 Tm) y horarias de los clientes son aleatorias y los
con una demanda de 3 Tm y una tasa de utilización tiempos de traslado y atención, cambian
del 100% permanentemente y habrá que hacer
Ruta 2: 1 – 3 – 2 – 4 – 1 con vehículo 2 (6 Tm) y con mediciones permanentes. Esto representa
una demanda de 5.5 Tm y una utilización de 92 % una oportunidad de investigación futura.
Los costos por el pago de etes de las 2 alternativas 4. El avance de la tecnología informática como
se muestran en la Tabla 4. las herramientas de Google Maps, la toma de

122 Ind. data 1 ( ), 01

 sisTeMas e in
datos en Excel y la interfase automática con
Lingo, presenta una alternativa interesante y
viable no solo en la programación de rutas
sino en la operatividad del transporte al
poderles remitir información a los choferes.
Por otro lado la medición permanente y el
almacenamiento de dichos datos, es un
activo importante que unido a herramientas
de inteligencia artificial brindan un gran
potencial de optimización de servicio.
Agradecimientos
A los Magister e Ingenieros Industriales Wilmer
Atoche y Christian Cornejo, y al Bachiller en
Ingeniería Industrial Juan Nolasco por el apoyo
brindado en la elaboración de esta investigación.
7. REFERENCIAS BIBLIOGRÁFICAS
[1] Brito, J., Martínez, F. J., Moreno, J. A., & Verdegay,
J. L. (2015). An ACO hybrid metaheuristic for
close–open vehicle routing problems with time
windows and fuzzy constraints. Applied Soft
Computing, 32, 154-163.
[2] Clarke, G. U., & Wright, J. W. (1964). Scheduling
of vehicles from a central depot to a number
of delivery points. Operations research, 12(4),
568-581.
o M Tica
nOr an re e
[3] Cornejo C. (2014). Laboratorio de investigación
operativa I. Lima: Fondo Editorial de la Ponti cia
Universidad Católica del Perú
[4] Dantzig, G. B. (1951). Application of the simplex
method to a transportation problem. Activity
analysis of production and allocation, 13, 359-373.
[5] Dantzig, G., Fulkerson, R., & Johnson, S.
(1954). Solution of a large-scale traveling-
salesman problem. Journal of the operations
research society of America, 2(4), 393-410.
[6] Dell’Amico, M. y Vigo, D. (2007). Heuristic
Approaches for the eet Size and Mix
Vehicle Routing Problem with Time Windows.
Recuperado el 01/07/2016 desde http://
pubsonline.informs.org/doi/abs/10.1287/
trsc.1070.0190
[7] Olivera, A. (2004). Heurísticas para Problemas
de Ruteo de Vehículos. Recuperado el
01/07/2016 desde https://www.colibri.udelar.
edu.uy/handle/123456789/3508
[8] Távora, J. y Muñuzuri, J. (2014). Modelo de
rutas de vehículos aplicados al e-commerce.
Recuperado el 01/07/2016 desde http://0-bibing.
us.es.fama.us.es/proyectos/abreproy/90031/
chero/TFG.pdf
Ind. data 1 ( ), 01 123